Die Erfindung bezieht sich auf ein System, Verfahren und Computerprogramm zum Erzeugen von Bildern.

Es ist bekannt, durch Magnetresonanztomographie (MRT) gemessene MR-Signale seriell nachzu verarbeiten, so dass letztlich ein ein-, zwei-, drei- oder höherdimensionales Bild im Graustufenkontrast erzeugt werden kann. Viele dieser seriellen Bilderzeugungschritte werden modular nacheinander abgearbeitet, wobei sich die Reihenfolge an den technischen und physikalischen Ursachen und Prinzipien orientiert. Meist werden zunächst Schritte zur Korrektur systematischer Messabweichungen angewandt, anschließend folgen aufnahmespezifische Algorithmen.

Diese Erzeugung von MR-Bildern erfordert einen relativ hohen Zeitaufwand, der durch den Gebrauch mehrerer Empfangsspulen reduziert werden kann. Grundsätzlich verzichtet man dabei auf eine vollständige räumliche Differenzierung der MR-Signale und nutzt bei der Erzeugung der letztlich räumlich differenzierten Bilder eine räumlich abhängige Empfangssensitivität der jeweiligen Empfangsspule, das heißt, das sogenannte Spulenprofil. Zuvor ist hierfür allerdings ein Trainingsprozess mit individuell aufgenommenen Referenzdaten (ACS-Daten, englisch: „autocalibration Signal data") nötig, durch den die Spulenprofile bestimmt werden. Dieses Prinzip findet beispielsweise bei der sogenannten Parallelen Bildgebung (PI, englisch: „parallel imaging") oder der gleichzeitigen Mehrschichtaufnahme (SMS, englisch:„simultaneous multi-slice imaging) Anwendung. Problematisch ist hierbei vor allem der zusätzliche Messaufwand für die Aufnahme der Referenzdaten (ACS-Daten). Im Allgemeinen ist die Akquisition dieser zusätzlichen Daten mit einem nicht vernachlässigbaren Zeitaufwand verbunden.

Veränderungen etwaiger geometrischer Anordnungen zum Beispiel durch Bewegung stellen im Hinblick auf die Verwendbarkeit der Referenzdaten ein Problem dar, da bei bereits kleinen Störungen neue Referenzdaten benötigt werden würden, um diesen Störungen Rechnung zu tragen und Bilder guter Qualität zu erzeugen. Neben Aspekten der eigentlichen Referenzdatenaufnahme und der Systemstabilität ist bei stark beschleunigter Bilderzeugung die PI- oder SMS-Bilderzeugung selbst ein verbesserungsbedürftiger Arbeitsschritt im Gesamtprozess. Dies betrifft besonders die Geschwindigkeit, mit der die MR-Signale verarbeitet werden, da rechenintensive Operationen und der serielle Aufbau einzelner Bilderzeugungsmodule zu deutlichen Wartezeiten zwischen Datenaufnahme und erfolgter Bilderzeugung führen können.

Die Referenzdaten (ACS-Daten) werden vorher, während oder nach der eigentlichen MR- Messung zusätzlich aufgenommen. Mit diesen ACS-Daten wird eine„Zuordnung" der Spulengeometrie zur den jeweiligen Bildortpunkten bestimmt, welche anschließend eine sogenannte Entfaltungsmatrix bildet, mit der sich die niedrigabgetasteten Messdaten nahezu vollständig rekonstruieren lassen. Bei dem SMS-Prozess werden in N räumlich differenzierten zweidimensionalen Schichten durch gemeinsame Anregung MR-Signale erzeugt und aufgenommen, wobei N die Anzahl der jeweils gleichzeitig angeregten Schichten darstellt. Die MR-Signale werden zu MR-Bildern rekonstruiert, in denen die Informationen der N unterschiedlichen Schichten im Mittel zunächst gleichberechtigt wiedergegeben sind. Entsprechend des jeweiligen Spulenprofils unterscheiden sich die einzelnen mit Hilfe der jeweiligen Empfangsspulen erzeugten Schichtinformationen jedoch. Durch Messen und Verwenden der Referenzdaten lassen sich schließlich MR- Bilder erzeugen, in denen die Schichtinformationen räumlich differenziert dargestellt sind. Hierzu kann beispielsweise der sogenannte sliceGRAPPA-Algorithmus verwendet werden, der zum Beispiel in dem Artikel„Blipped-Controlled Aliasing in Parallel Imaging (blipped-CAIPI) for simultaneous multi-slice EPI with reduced g-factor penalty" von K. Setsompop et al., Magnetic Resonance in Medicine, 67(5), Seiten 1210 bis 1224 (2012) offenbart ist. Diese Methode benötigt jedoch einen relativ hohen Zeitaufwand und ist nicht generalisiert, sondern wird nur für eine konkrete Konfiguration verwendet. Es ist eine Aufgabe der vorliegenden Erfindung, ein System, Verfahren und Computerprogramm zum Erzeugen von Bildern bereitzustellen, die eine Reduzierung des zum Erzeugen der Bilder benötigten Zeitaufwands ermöglichen. Die Aufgabe wird durch ein System zum Erzeugen von Bildern gelöst, wobei das System aufweist:

eine Eingangsbilderbereitstellungseinheit zum Bereitstellen von Eingangsbildem, in denen tatsächlich räumlich getrennte Strukturen zumindest in einer Raumrichtung räumlich überlagert dargestellt sind,

- eine Neuronales-Netz-Bereitstellungseinheit zum Bereitstellen eines neuronalen Netzes, das angepasst ist, auf Basis von Eingangsbildern, in denen tatsächlich räumlich getrennte Strukturen zumindest in einer Raumrichtung räumlich überlagert dargestellt sind, Ausgangsbilder zu erzeugen, in denen die tatsächlich räumlich getrennten Strukturen in der zumindest einen Raumrichtung räumlich getrennt dargestellt sind, - eine Bildererzeugungseinheit zum Erzeugen von Bildern auf Basis der bereitgestellten Eingangsbilder und des bereitgestellten neuronalen Netzes.

Durch Verwenden des neuronalen Netzes ist es möglich, die Bilder auf Basis der bereitgestellten Eingangsbilder so zu erzeugen, dass die tatsächlich räumlich getrennten Strukturen in der zumindest einen Raumrichtung auch räumlich getrennt dargestellt sind, ohne dass hierfür beispielsweise unmittelbar vor der Erzeugung der Eingangsbilder Referenzmessungen durchgeführt werden müssen. Hierdurch kann die Zeit, die benötigt wird, um beispielsweise ein Bild eines Patienten zu erzeugen, reduziert werden. So kann beispielsweise in einem Krankenhaus die Zeit, während der sich ein Patient in dem System zum Erzeugen von Bildern befinden muss, vermindert werden.

Die Eingangsbilderbereitstellungseinheit kann beispielsweise eine Speichereinheit sein, in der die Eingangsbilder gespeichert sind und die die gespeicherten Eingangsbilder bereitstellen kann. Die Eingangsbilderbereitstellungseinheit kann aber auch eine Empfangseinheit sein, die angepasst ist, die Eingangsbilder von einer Eingangsbildererzeugungseinheit zu empfangen. Die Eingangsbilderbereitstellungsein- heit kann auch selbst die Eingangsbildererzeugungseinheit sein.

Die Eingangsbilderbereitstellungseinheit kann angepasst sein, die tatsächlich räumlich getrennten Strukturen in einer Raumrichtung, in zwei Raumrichtungen oder in drei Raumrichtungen räumlich überlagert darzustellen. In einer Ausführungsform kann ein Eingangsbild eine Schicht darstellen, in der tatsächlich in unterschiedlichen Schichten befindliche Strukturen dargestellt sind, wobei in der dargestellten Schicht diese Strukturen zueinander verschoben sein können, so dass sie in einer Raumrichtung, die senkrecht zu dieser dargestellten Schicht angeordnet sind, überlagert dargestellt sind. Wenn in diesem Beispiel ein Koordinatensystem x- und y-Achsen innerhalb der Schicht und eine z-Achse senkrecht zu dieser Schicht aufweisen würde, so würden diese Strukturen an derselben z-Position und damit bezüglich der z-Raumrichtung oder z- Achse überlagert dargestellt werden.

Die Neuronales-Netz-Bereitstellungseinheit kann eine Speichereinheit sein, die angepasst ist, das neuronale Netz bereitzustellen. Die Neuronales-Netz- Bereitstellungseinheit kann auch eine Empfangseinheit sein, die ein neuronales Netz beispielsweise von einer Neuronales-Netz-Trainingseinheit empfängt. Die Neuronales- Netz-Bereitstellungseinheit kann auch selbst eine Neuronales-Netz-Trainingseinheit sein, die das trainierte neuronale Netz bereitstellt.

Die Eingangsbilder und die Ausgangsbilder sind bevorzugt MR-Bilder. Insbesondere sind die Eingangsbilder MR-Bilder, die durch Anregung mehrerer aufzunehmender Bereiche eines Objekts erzeugt worden sind, wobei in den Bereichen befindliche Strukturen zumindest in einer Raumrichtung räumlich überlagert dargestellt sind, und die Ausgangsbilder sind MR-Bilder, in denen die in den angeregten Bereichen befindlichen räumlich getrennten Strukturen in der zumindest einen Raumrichtung räumlich getrennt dargestellt sind. Das heißt bevorzugt, dass die Eingangsbilder MR-Bilder sind, die durch gemeinsame, insbesondere gleichzeitige, Anregung mehrerer aufzunehmender Bereiche eines Objekts erzeugt worden sind, wobei in den Bereichen befindliche Strukturen zumindest in einer Raumrichtung räumlich überlagert dargestellt sind, und die Ausgangsbilder sind MR-Bilder, in denen die in den angeregten Bereichen befindlichen räumlich getrennten Strukturen in der zumindest einen Raumrichtung räumlich getrennt dargestellt sind. Die Eingangsbilderbereitstellungseinheit kann demnach angepasst sein, entsprechende MR-Bilder als Eingangsbilder bereitzustellen, und die Neuronales-Netz- Bereitstellungseinheit kann zusammen mit der Bilderzeugungseinheit angepasst sein, auf Basis dieser bereitgestellten MR-Bilder entsprechende MR-Bilder als Ausgangsbilder zu erzeugen. Die Bereiche können zweidimensionale Schichten oder dreidimensionale Volumen sein. Die Eingangsbilder sind bevorzugt MR-Bilder, die mittels mehrerer Empfangsspulen erzeugt worden sind. Insbesondere wird für jede Empfangsspule mindestens ein MR-Bild als Eingangsbild bereitgestellt, das durch Anregung mehrerer aufzunehmender Bereiche eines Objekts erzeugt worden ist, wobei in den Bereichen befindliche Strukturen zumindest in einer Raumrichtung räumlich überlagert dargestellt sind. Das heißt bevorzugt, dass für jede Empfangsspule mindestens ein MR-Bild als Eingangsbild bereitgestellt wird, das durch gemeinsame, insbesondere gleichzeitige, Anregung mehrerer aufzunehmender Bereiche eines Objekts erzeugt worden ist, wobei in den Bereichen befindliche Strukturen zumindest in einer Raumrichtung räumlich überlagert dargestellt sind. Zum Beispiel ist die Eingangsbilderbereitstellungseinheit angepasst, mehrere Sätze von Eingangsbildern bereitzustellen, wobei Eingangsbilder eines selben Satzes durch Anregung derselben Bereiche und unter Verwendung mehrerer Empfangsspulen erzeugt worden sind, wobei Eingangsbilder unterschiedlicher Sätze durch Anregung unterschiedlicher Bereiche erzeugt worden sind, wobei das neuronale Netz angepasst ist, für jeden Satz von Eingangsbildem einen Satz von Ausgangsbildem zu erzeugen, in denen die angeregten Bereiche räumlich getrennt dargestellt sind, wobei die Bilderzeugungseinheit angepasst ist, die Ausgangsbilder von unterschiedlichen Sätzen miteinander zu registrieren. Das heißt, dass beispielsweise für jede Empfangsspule und für jede Gruppe von gemeinsam, insbesondere gleichzeitig, angeregten Bereichen des Objektes jeweils ein MR-Bild als Eingangsbild erzeugt werden kann, in dem in unterschiedlichen Bereichen befindliche Strukturen überlagert dargestellt sind. Diese Eingangsbilder werden zusammen mit dem neuronalen Netz verwendet, um als Ausgangsbilder MR-Bilder zu erzeugen, die die in den unterschiedlichen Bereichen befindlichen Strukturen räumlich getrennt darstellen. Da sich zwischen der Erzeugung verschiedener Sätze von Eingangsbildern das Objekt, das bevorzugt ein Patient ist, bewegen könnte, werden die Ausgangsbilder von unterschiedlichen Sätzen miteinander registriert, wodurch Bewegungsartefakte vermieden werden können. Im eingangs beschriebenen Stand der Technik, der die Referenzdaten verwendet, würde die Bewegung des Objektes zu Bewegungsartefakten führen, die sich nicht durch eine einfache Registrierung beseitigen lassen. Es wird demnach nicht nur eine schnellere Erzeugung von Bildern ermöglicht, sondern auch eine signifikante Reduktion von Bewegungsartefakten.

Die Neuronales-Netz-Bereitstellungseinheit ist bevorzugt angepasst, ein Deep-Leaming- Netz als neuronales Netz bereitzustellen. Diese sogenannten„tiefen" neuronalen Netze können hierarchische Informationsstrukturen erlernen, so dass auch Kontext und räumliche Lagen in dem neuronalen Netz sehr gut repräsentiert werden können. Dies führt zu einer weiteren Verbesserung der Erzeugung der Bilder. Das System kann zudem aufweisen a) eine Trainings-Eingangsbilderbereitstellungsein- heit zum Bereitstellen von Trainings-Eingangsbildern, in denen tatsächlich räumlich getrennte Strukturen zumindest in einer Raumrichtung räumlich überlagert dargestellt sind, b) eine Trainings-Ausgangsbilderbereitstellungseinheit zum Bereitstellen von Trai- nings-Ausgangsbildem, in denen die tatsächlich räumlich getrennten Strukturen in der zumindest einen Raumrichtung räumlich getrennt dargestellt sind, und c) eine Neuronales-Netz-Trainingseinheit zum Trainieren des neuronalen Netzes derart, dass bei Eingabe der Trainings-Eingangsbilder in das neuronale Netz die Trainings- Ausgangsbilder ausgegeben werden. Die Trainings-Ausgangsbilderbereitstellungseinheit ist bevorzugt angepasst, als Trainings-Ausgangsbilder MR-Bilder einzelner, getrennt voneinander angeregter Bereiche eines Objekts bereitzustellen, so dass in unterschiedlichen Bereichen befindliche Strukturen in den Trainings-Ausgangsbildern in keiner Raumrichtung überlagert dargestellt sind, wobei die Trainings- Eingangsbilderbereitstellungseinheit angepasst ist, Trainings-Eingangsbilder bereitzustellen, in denen die in den unterschiedlichen Bereichen befindlichen Strukturen zumindest in einer Raumrichtung räumlich überlagert dargestellt sind. Dies ermöglicht beispielsweise, ein bereits bereitgestelltes neuronales Netz, das insbesondere schon trainiert worden ist, mit im Betrieb des Systems ermittelten MR-Bildern weiter zu trainieren. Dieses weitere Training kann zu einer weiteren Verbesserung des Systems zum Erzeugen von Bildern führen. Die Trainingseinheiten ermöglichen auch, ein untrainiertes neuronales Netz erstmals mit dem System, das für die Erzeugung der Bilder verwendet werden soll, zu trainieren. Die Trainingseinheiten können demnach verwendet werden, ein systemspezifisches neuronales Netz zu erzeugen. Zumindest ein Teil der Trainings-Eingangsbilder kann durch MR-Messungen erzeugt werden. Alternativ oder zusätzlich kann zumindest ein Teil der Trainings-Eingangsbilder auf Basis der bereitgestellten Trainings-Ausgangsbilder synthetisch erzeugt werden. Die Trainings-Eingangsbilder können demnach vollständig durch MR-Messungen, teilsynthetisch oder auch vollsynthetisch erzeugt werden. Beispielsweise können Trainings-Eingangsbilder, die einzelne Schichten eines Objekts darstellen und damit in diesen Schichten befindliche Strukturen räumlich differenziert darstellen, kombiniert werden, um Trainings-Eingangsbilder synthetisch zu erzeugen, in denen diese tatsächlich in unterschiedlichen Schichten befindliche Strukturen räumlich undifferenziert dargestellt sind.

Die Trainings-Eingangsbilderbereitstellungseinheit kann angepasst sein, Trainings- Eingangsbilder mit Bildartefakten bereitzustellen, und die Trainings- Ausgangsbilderbereitstellungseinheit kann angepasst sein, Trainings-Ausgangsbilder bereitzustellen, die die Bildartefakte nicht aufweisen. Die Bildartefakte sind beispielsweise Bewegungsartefakte, also Artefakte, die durch Bewegung entstanden sind. Hierdurch kann das neuronale Netz auch trainiert werden, Bildartefakte zu reduzieren, wodurch das System zum Erzeugen von Bildern weiter verbessert werden kann.

Die Erfindung bezieht sich zudem auf eine Trainingsvorrichtung zum Trainieren eines neuronalen Netzes, wobei die Trainingsvorrichtung umfasst:

eine Trainings-Eingangsbilderbereitstellungseinheit zum Bereitstellen von Trainings-Eingangsbildern, in denen tatsächlich räumlich getrennte Strukturen zumindest in einer Raumrichtung räumlich überlagert dargestellt sind,

eine Trainings-Ausgangsbilderbereitstellungseinheit zum Bereitstellen von

Trainings-Ausgangsbildern, in denen die tatsächlich räumlich getrennten Strukturen in der zumindest einen Raumrichtung räumlich getrennt dargestellt sind,

- eine Neuronales-Netz-Bereitstellungseinheit zum Bereitstellen eines neuronalen

Netzes,

eine Neuronales-Netz-Trainingseinheit zum Trainieren des neuronalen Netzes derart, dass bei Eingabe der Trainings-Eingangsbilder in das neuronale Netz die Trainings-Ausgangsbilder ausgegeben werden.

Die Trainingsvorrichtung kann in ein System zum Erzeugen von Bildern integriert sein oder eine separate Vorrichtung sein. Die Trainings-Eingangsbilderbereitstellungseinheit kann eine Speichereinheit sein, in der die Trainings-Eingangsbilder abgespeichert sind, um ein Bereitstellen der Trainings-Eingangsbilder zu ermöglichen. Die Trainings- Eingangsbilderbereitstellungseinheit kann auch eine Empfangseinheit sein, um Trainings- Eingangsbilder beispielsweise von einer Trainings-Eingangsbildererzeugungseinheit zu empfangen. Die Trainings-Eingangsbilderbereitstellungseinheit kann auch eine Trainings- Eingangsbildererzeugungseinheit sein. Entsprechend kann die Trainings- Ausgangsbilderbereitstellungseinheit eine Speichereinheit, eine Empfangseinheit und/oder eine Trainings-Ausgangsbildererzeugungseinheit sein. Die Neuronales-Netz- Bereitstellungseinheit kann eine Speichereinheit, eine Empfangseinheit und/oder eine Neuronales-Netz-Erzeugungseinheit sein.

Zudem wird die oben genannte Aufgabe durch ein Verfahren zum Erzeugen von Bildern gelöst, wobei das Verfahren aufweist:

Bereitstellen von Eingangsbildern, in denen tatsächlich räumlich getrennte Strukturen zumindest in einer Raumrichtung räumlich überlagert dargestellt sind, Bereitstellen eines neuronalen Netzes, das angepasst ist, auf Basis von Eingangsbildern, in denen tatsächlich räumlich getrennte Strukturen zumindest in einer Raumrichtung räumlich überlagert dargestellt sind, Ausgangsbilder zu erzeugen, in denen die tatsächlich räumlich getrennten Strukturen in der zumindest einen Raumrichtung räumlich getrennt dargestellt sind,

Erzeugen von Bildern auf Basis der bereitgestellten Eingangsbilder und des bereitgestellten neuronalen Netzes.

Die Erfindung bezieht sich auch auf ein Trainingsverfahren zum Trainieren eines neuronalen Netzes, wobei das Trainingsverfahren umfasst:

Bereitstellen von Trainings-Eingangsbildern, in denen tatsächlich räumlich getrennte Strukturen zumindest in einer Raumrichtung räumlich überlagert dargestellt sind,

Bereitstellen von Trainings-Ausgangsbildern, in denen die tatsächlich räumlich getrennten Strukturen in der zumindest einen Raumrichtung räumlich getrennt dargestellt sind,

Bereitstellen eines neuronalen Netzes,

Trainieren des neuronalen Netzes derart, dass bei Eingabe der Trainings- Eingangsbilder in das neuronale Netz die Trainings-Ausgangsbilder ausgegeben werden.

Außerdem wird die oben genannte Aufgabe durch ein Computerprogramm zum Erzeugen von Bildern gelöst, wobei das Computerprogramm angepasst ist, das Verfahren zum Erzeugen von Bildern gemäß Anspruch 14 durchzuführen, wenn es auf einem System zum Erzeugen von Bildern gemäß Anspruch 1 ausgeführt wird.

Die Erfindung bezieht sich zudem auf ein Computerprogramm zum Trainieren eines neuronalen Netzes, wobei das Computerprogramm angepasst ist, das Trainingsverfahren zum Trainieren eines neuronalen Netzes gemäß Anspruch 15 durchzuführen, wenn es auf einer Trainingsvorrichtung zum Trainieren eines neuronalen Netzes gemäß Anspruch 13 ausgeführt wird.

Es sollte verstanden werden, dass das System zum Erzeugen von Bildern nach Anspruch 1 , die Trainingsvorrichtung nach Anspruch 13, das Verfahren zum Erzeugen von Bildern nach Anspruch 14, das Trainingsverfahren nach Anspruch 15, das Computerprogramm zum Erzeugen von Bildern nach Anspruch 16 und das Computerprogramm zum Trainieren eines neuronalen Netzes nach Anspruch 17 ähnliche und/oder identische bevorzugte Ausführungsformen aufweisen, wie sie insbesondere in den abhängigen Ansprüchen definiert sind.

Im Folgenden werden Ausführungsformen der Erfindung unter Bezugnahme auf folgende Figuren beschrieben, wobei

Fig. 1 schematisch und exemplarisch eine Ausführungsform eines Systems zum Erzeugen von Bildern zeigt,

Fig. 2 schematisch und exemplarisch eine Ausführungsform einer Trainingsvorrichtung zum Trainieren eines neuronalen Netzes zeigt,

Fig. 3 ein Flussdiagramm zeigt, das eine Ausführungsform eines Verfahrens zum Erzeugen von Bildern illustriert,

Fig. 4 ein Flussdiagramm zeigt, das eine Ausführungsform eines Trainingsverfahrens zum Trainieren eines neuronalen Netzes illustriert,

Fig. 5 schematisch und exemplarisch zwei Schichten eines Objekts illustriert,

Fig. 6 schematisch und exemplarisch ein Eingangsbild zeigt,

Fig. 7 schematisch und exemplarisch ein weiteres alternatives Eingangsbild zeigt, und

Fig. 8 schematisch und exemplarisch zwei Ausgangsbilder zeigt.

Eine Ausführungsform eines Systems zum Erzeugen von Bildern ist in der Fig. 1 schematisch und beispielhaft dargestellt. Das System 1 umfasst eine Akquisitionseinheit 4 zum Erzeugen von MR-Signalen, die von einer in einer Verarbeitungseinheit 5 befindlichen Rekonstruktionseinheit 6 zu MR-Bildern rekonstruiert werden. Die Akquisitionseinheit 4 weist in bekannter Weise einen Hauptmagneten zum Erzeugen eines Hauptmagnetfeldes, Gradientenspulen zur Ortscodierung, eine Anregungsspule und mehrere Empfangsspulen auf. Sie ist angepasst, mehrere Schichten eines auf einem Patiententisch 2 befindlichen Patienten 3 gleichzeitig anzuregen, so dass die jeweilige Empfangsspule ein MR-Signal erzeugt, das nicht zwischen in den unterschiedlichen Schichten befindlichen Strukturen differenziert. So werden beispielsweise zunächst zwei Schichten des Patienten gleichzeitig angeregt, so dass bei zum Beispiel zehn Empfangsspulen für diese spezifische Anregung zehn MR-Bilder rekonstruiert werden können, wobei jedes MR-Bild in den gleichzeitig angeregten Schichten befindliche Strukturen überlagert darstellt. Danach können weitere zwei Schichten gleichzeitig angeregt werden, um einen weiteren Satz von in diesem Beispiel zehn MR-Bildern zu erzeugen. Wenn in diesem Beispiel zehnmal jeweils zwei Schichten gleichzeitig angeregt worden sind, werden demnach zehn Sätze von MR-Bildern erzeugt, wobei jeder Satz wiederum zehn MR-Bilder umfasst, die in den jeweiligen unterschiedlichen Schichten befindliche Strukturen überlagert darstellen. Die zehn Sätze von MR-Bildern, die jeweils zehn MR-Bilder umfassen, werden im Folgenden als Eingangsbilder bezeichnet.

Das System 1 umfasst des Weiteren eine Neuronales-Netz-Bereitstellungseinheit 7 zum Bereitstellen eines neuronalen Netzes, das angepasst ist, auf Basis von Eingangsbildern, in denen tatsächlich räumlich getrennte Strukturen zumindest in einer Raumrichtung räumlich überlagert dargestellt sind, Ausgangsbilder zu erzeugen, in denen die tatsächlich räumlich getrennten Strukturen in der zumindest einen Raumrichtung räumlich getrennt dargestellt sind. Zudem umfasst das System 1 eine Bilderzeugungseinheit 8 zum Erzeugen von Bildern auf Basis der bereitgestellten Eingangsbilder und des bereitgestellten neuronalen Netzes. In dieser Ausführungsform sind die Ausgangsbilder des neuronalen Netzes und damit die von der Bilderzeugungseinheit 8 erzeugten Bilder MR-Bilder. Insbesondere wird für jeden der oben genannten zehn Sätze an Eingangsbildern ein Satz von Ausgangsbildern erzeugt, wobei jedes Ausgangsbild eine der in diesem Beispiel zwei Schichten zeigt, die bei der Erzeugung des jeweiligen Satzes von Eingangsbildern gleichzeitig angeregt worden sind, so dass die Ausgangsbilder die in unterschiedlichen Schichten befindlichen Strukturen räumlich getrennt darstellen. Die Ausgangsbilder unterschiedlicher Sätze werden miteinander registriert.

Die Neuronales-Netz-Bereitstellungseinheit 7 ist angepasst, ein Deep-Learning-Netz, das auch als tiefes Netz bezeichnet werden kann, als neuronales Netz bereitzustellen. Da die Eingangsbilder mittels der Akquisitionseinheit 4 und der Rekonstruktionseinheit 6 erzeugt werden, bilden in dieser Ausführungsform diese Einheiten eine Eingangsbilderbereitstellungseinheit. Die Akquisitionseinheit 4 und die Rekonstruktionseinheit 6 können aber auch verwendet werden, um MR-Bilder einzelner, getrennt voneinander angeregter Schichten des Patienten 3 oder eines anderen Patienten oder eines anderen Objekts wie beispielsweise eines Phantoms zu erzeugen. Diese MR-Bilder, die jeweils einzelne Schichten zeigen, können als Trainings- Ausgangsbilder verwendet werden, um das bereitgestellte neuronale Netz, das bereits trainiert ist, weiter zu trainieren. Die Akquisitionseinheit 4 und die Rekonstruktionseinheit 6 können demnach auch so aufgefasst werden, dass sie eine Trainings- Ausgangsbilderbereitstellungseinheit bilden, wobei die Trainings- Ausgangsbilderbereitstellungseinheit angepasst ist, Trainings-Ausgangsbilder bereitzustellen, in denen tatsächlich räumlich getrennte Strukturen räumlich getrennt dargestellt sind.

Das System 1 weist des Weiteren eine Trainings-Eingangsbilderbereitstellungseinheit 9 zum Bereitstellen von Trainings-Eingangsbildern auf, in denen tatsächlich räumlich getrennte Strukturen zumindest in einer Raumrichtung räumlich überlagert dargestellt sind. In dieser Ausführungsform ist die Trainings-Eingangsbilderbereitstellungseinheit 9 angepasst, die Trainings-Eingangsbilder auf Basis der bereitgestellten Trainings- Ausgangsbilder synthetisch zu erzeugen. Beispielsweise können mehrere Trainings- Ausgangsbilder kombiniert, insbesondere linear kombiniert, werden, um ein Trainings- Eingangsbild zu erzeugen.

Das System 1 umfasst zudem eine Neuronales-Netz-Trainingseinheit 10 zum Trainieren des neuronalen Netzes derart, dass bei Eingabe der Trainings-Eingangsbilder in das neuronale Netz die Trainings-Ausgangsbilder ausgegeben werden. In diesem Ausführungsbeispiel ist das von der Neuronales-Netz-Bereitstellungseinheit 7 bereitgestellte neuronale Netz ein bereits trainiertes Netz, das von der Neuronales-Netz- Trainingseinheit 10 weiter trainiert werden kann. Es ist allerdings auch möglich, dass das System initial ein untrainiertes neuronales Netz aufweist, das mittels der Neuronales- Netz-Trainingseinheit 10 trainiert wird, wonach dieses trainierte neuronale Netz von der Neuronales-Netz-Bereitstellungseinheit 7 bereitgestellt werden kann. Zum Trainieren des neuronalen Netzes kann aber auch eine separate Trainingsvorrichtung 20 verwendet werden, die schematisch und beispielhaft in Fig. 2 gezeigt ist.

Die Trainingsvorrichtung 20 umfasst eine Trainings-Eingangsbilderbereitstellungseinheit 21 zum Bereitstellen von Trainings-Eingangsbildern, in denen tatsächlich räumlich getrennte Strukturen zumindest in einer Raumrichtung räumlich überlagert dargestellt sind, und eine Trainings-Ausgangsbilderbereitstellungseinheit 22 zum Bereitstellen von Trainings-Ausgangsbildern, in denen die tatsächlich räumlich getrennten Strukturen in der zumindest einen Raumrichtung räumlich getrennt dargestellt sind. Die Trainingsvorrichtung 20 umfasst des Weiteren eine Neuronales-Netz- Bereitstellungseinheit 23 zum Bereitstellen eines untrainierten neuronalen Netzes und eine Neuronales-Netz-Trainingseinheit 24 zum Trainieren des neuronalen Netzes derart, dass bei Eingabe der Trainings-Eingangsbilder in das neuronale Netz die Trainings- Ausgangsbilder ausgegeben werden. In dieser Ausführungsform ist die Trainings- Ausgangsbilderbereitstellungseinheit 22 eine Speichereinheit, in der mittels MR- Messungen erzeugte MR-Bilder als Trainings-Ausgangsbilder abgespeichert sind. Diese MR-Bilder stellen in diesem Ausführungsbeispiel jeweils eine Schicht eines Objektes dar. Die Trainings-Eingangsbilderbereitstellungseinheit 21 ist in diesem Ausführungsbeispiel angepasst, die Trainings-Eingangsbilder synthetisch durch Kombination entsprechender Trainings-Ausgangsbilder zu erzeugen. Das neuronale Netz ist aus einer Vielzahl von Ebenen aufgebaut, wobei die Ebenen beispielsweise eine Vielzahl von sogenannten Neuronen aufweisen können. Die Tiefe eines neuronalen Netzes ist durch die Anzahl seiner Ebenen bestimmt. Das neuronale Netz umfasst eine Eingangsebene und eine Ausgangsebene, wobei die Ausgangsebene mit den Trainings-Ausgangsbildern und die Eingangsebene mit den Trainings- Eingangsbildern verknüpft ist. Bei der normalen Verwendung des neuronalen Netzes, das heißt, wenn das neuronale Netz nicht trainiert wird, ist die Eingangsebene mit den Eingangsbildern und die Ausgangsebene mit den Ausgangsbildern verknüpft.

Das tiefe neuronale Netz weist zwischen der Eingangsebene und der Ausgangsebene mindestens eine weitere Ebene auf, die als „versteckte" Ebene bezeichnet werden könnte. Bevorzugt weist das neuronale Netz mindestens 15 dieser versteckten Ebenen auf. Zudem ist das neuronale Netz bevorzugt so aufgebaut, dass sich die Anzahl der Neuronen pro versteckte Ebene ausgehend von der Eingangsebene zunächst verringert und die Anzahl danach wieder bis zur Ausgangsebene ansteigt. Zudem können die Eingangsebene und die Ausgangsebene dieselbe Anzahl an Neuronen aufweisen. In einer bevorzugten Ausführungsform verringert sich die Anzahl an Neuronen sukzessive ausgehend von der Eingangsebene bis zu einer vorbestimmten versteckten Ebene auf eine ebenfalls vorbestimmte Anzahl von Neuronen, beispielweise bis auf ein einzelnes Neuron, wonach sich die Anzahl ausgehend von der vorbestimmten versteckten Ebene bis zur Ausgangsebene wieder sukzessive bis zur Anzahl der Neuronen der Eingangsebene erhöht (sogenannte U-Netze).

Das Training des neuronalen Netzes kann stufenweise erfolgen, wobei die räumliche Auflösung der Trainingsbilder nach und nach erhöht wird. Zudem können zunächst zum Training im Wesentlichen fehlerfreie Trainingsbilder verwendet werden und später können Trainings-Eingangsbilder mit hinzugefügten Effekten wie beispielsweise Artefakten und Trainings-Ausgangsbilder ohne diese Effekte verwendet werden, insbesondere um auch eine Reduktion dieser Effekte zu trainieren. Diese Effekte sind beispielsweise räumliche Verschiebungen, Verzerrungen, Kontrastvariationen entsprechend verschiedener Systemkonfigurationen et cetera. Diese Effekte können rechnerisch zu den Trainings-Eingangsbilder hinzugefügt werden. In einer Ausführungsform wird in einer ersten Phase mit steigender räumlicher Auflösung, aber ohne hinzugefügte Effekte, und in einer zweiten Phase mit konstanter räumlicher Auflösung und hinzugefügten Effekten trainiert.

Die einzelnen Neuronen des neuronalen Netzes sind über gewichtete Funktionen verbunden. Beim Trainieren des neuronalen Netzes werden die Gewichte der Funktionen zwischen den Neuronen beispielsweise durch Rückpropagation für das zu trainierende Problem optimiert. Für weitere Details bezüglich des Trainierens eines neuronalen Netzes wird auf den Artikel„Deep Learning" von LeCun et al., Nature, Band 521 , Seiten 436 bis 444 (2015) verwiesen.

Das System 1 zum Erzeugen von Bildern umfasst eine Eingabeeinheit 11 wie beispielsweise eine Tastatur, eine Computermaus, einen Tabletcomputer, et cetera. Zudem umfasst das System 1 zum Erzeugen von Bildern eine Ausgabeeinheit 12 wie beispielsweise ein Display. Entsprechende Eingabe- und Ausgabeeinheiten 25, 26 umfasst auch die Trainingsvorrichtung 20.

Im Folgenden wird beispielhaft eine Ausführungsform eines Verfahrens zum Erzeugen von Bildern unter Bezugnahme auf ein Flussdiagramm erläutert, das in der Fig. 3 dargestellt ist.

In Schritt 101 werden Eingangsbilder, in denen tatsächlich räumlich getrennte Strukturen zumindest in einer Raumrichtung räumlich überlagert dargestellt sind, bereitgestellt. In Schritt 102 wird ein neuronales Netz bereitgestellt, das angepasst ist, auf Basis von Eingangsbildern, in denen tatsächlich räumlich getrennte Strukturen zumindest in einer Raumrichtung räumlich überlagert dargestellt sind, Ausgangsbilder zu erzeugen, in denen die tatsächlich räumlich getrennten Strukturen in der zumindest einen Raumrichtung räumlich getrennt dargestellt sind. In Schritt 103 werden Bilder auf Basis der in Schritt 101 bereitgestellten Eingangsbilder und des in dem Schritt 102 bereitgestellten neuronalen Netzes erzeugt. Im Folgenden wird beispielhaft eine Ausführungsform eines Trainingsverfahrens zum Trainieren eines neuronalen Netzes unter Bezugnahme auf ein Flussdiagramm beschrieben, das in der Fig. 4 dargestellt ist. In Schritt 201 werden Trainings-Eingangsbilder bereitgestellt, in denen tatsächlich räumlich getrennte Strukturen zumindest in einer Raumrichtung räumlich überlagert dargestellt sind. In Schritt 202 werden Trainings-Ausgangsbilder bereitgestellt, in denen die tatsächlich räumlich getrennten Strukturen in der zumindest einen Raumrichtung räumlich getrennt dargestellt sind. In Schritt 203 wird ein neuronales Netz bereitgestellt, und in Schritt 204 wird das in dem Schritt 203 bereitgestellte neuronale Netz so trainiert, da ss bei Eingabe der in dem Schritt 201 bereitgestellten Trainings-Eingangsbilder in das neuronale Netz die in dem Schritt 202 bereitgestellten Trainings-Ausgangsbilder ausgegeben werden. Das neuronale Deep-Learning-Netz kann in einer Trainingsphase jede beliebige lineare oder nichtlineare Funktion approximieren. Während der Trainingsphase findet das neuronale Deep-Learning-Netz auf Basis der Trainings-Eingangsbilder und Trainings- Ausgangsbilder ein Modell, das bei Eingabe der Trainings-Eingangsbilder zu den Trainings-Ausgangsbildern führt. Nach diesem Training kann das neuronale Deep- Learning-Netz selbstständig Ausgangsbilder auf Basis von Eingangsbildern erzeugen. Das trainierte neuronale Deep-Learning-Netz ermöglicht beispielsweise eine sogenannte Separation oder Entfaltung von Bilddaten, die bei einer SMS-Messung aufgenommen wurden. Das heißt, es ermöglicht die Erzeugung von separierten beziehungsweise entfalteten Ausgangsbildem auf Basis von Eingangsbildern, die bei einer SMS-Messung aufgenommen wurden. Die Ausgangsbilder können erzeugt werden, ohne dass beispielsweise Referenzdaten gemessen und berücksichtigt werden müssen, wie es im eingangs beschriebenen Stand der Technik erforderlich ist. Da in den oben unter Bezugnahme auf Fig. 1 beschriebenen Ausführungsformen das System während des Einsatzes lernfähig ist, kann die Qualität der erzeugten Bilder weiter gesteigert und/oder die zur Bilderzeugung benötigte Zeit weiter reduziert werden. Im Speziellen kann die Korrektur systemspezifischer Imperfektionen wie beispielsweise eine B ₀ -Inhomogenität, Β,-lnhomogenität, et cetera erlernt werden, so dass das neuronale Netz auch eine entsprechende automatische Korrektur durchführen kann. Weitere Bilderzeugungsschritte können durch entsprechendes Training des neuronalen Netzes erfasst und damit durch dieses neuronale Netz ersetzt werden. Die Trainings-Eingangsbilder und Trainings-Ausgangsbilder können beispielsweise teilsynthetisch und somit theoretisch in beliebiger Anzahl bereitgestellt werden. Die Bilddaten einiger tatsächlich durchgeführter MR-Messungen an einem System mit einer bestimmten Systemkonfiguration, das heißt insbesondere mit bestimmten Spulenprofilen, können hierbei als eine Art „Goldstandard" dienen. Durch anschließende Simulation können unterschiedliche Objektgeometrien und Aufnahmeparameter abgebildet und in den Trainingsprozess eingeführt werden.

Zum Beispiel können mittels der eingangs erwähnten SMS-Technik erste Trainings- Eingangsbilder erzeugt werden, wobei mehrere Schichten gleichzeitig angeregt werden. Erste Trainings-Ausgangsbilder können erzeugt werden, indem jede Schicht einzeln angeregt wird. Diese ersten Trainings-Eingangs- und Ausgangsbilder sind bevorzugt räumlich hochaufgelöst und können als„Goldstandard" dienen, wobei sie beispielsweise eine tatsächliche Person oder ein medizinisches Phantom zeigen können.

Diese ersten Trainings-Eingangs- und Ausgangsbilder können benutzt werden, um ohne Verwendung eines neuronalen Netzes eine Systemfunktion oder auch Systemantwort zu bestimmen, die indikativ ist für die Charakteristika des Systems und der Systemkonfiguration, die zur Erzeugung dieser Bilder benutzt worden ist. Diese Systemfunktion ist beispielsweise indikativ für die Spulenprofile, Inhomogenitäten des Hauptmagnetfelds et cetera und kann verwendet werden, weitere, synthetische Trainings-Eingangsbilder auf Basis vorgegebener weiterer Trainings-Ausgangsbilder zu berechnen. Diese weiteren Trainings-Ausgangsbilder können beliebige Bilddatensätze sein, die die unterschiedlichen Schichten zeigen. Es können MR-Bilddatensätzen aber auch Bilddatensätze anderer Modalitäten wie beispielsweise Computertomographie- Bilddatensätze sein.

Als Trainings-Ausgangsbilder können die oben genannten ersten Trainings- Ausgangsbilder oder auch andere gemessene MR-Bilder verwendet werden. Synthetische Trainings-Eingangsbilder können durch Kombinieren der Trainings- Ausgangsbilder erzeugt werden. Beispielsweise können die Trainings-Ausgangsbilder linear kombiniert, insbesondere einfach addiert, werden. Die Kombination kann auch eine komplexwertige Addition von Trainings-Eingangsbildern sein, wobei in diesem Fall die Amplituden- und die Phasenbilder berücksichtigt werden.

Die Trainings-Eingangs- und Ausgangsbilder können Amplitudenbilder und/oder Phasenbilder und/oder Kombinationen von Amplituden- und Phasenbildern sein. Die oben beschriebenen Ausführungsformen können verwendet werden, um MR-Bilder mit relativ geringem Zeitaufwand zu erzeugen, ohne eine zusätzliche, separate Aufnahme von Referenzdaten. Diese relativ geringe Zeit zum Erzeugen der Bilder kann dazu führen, da ss messtechnische Unsicherheiten, beispielsweise durch Objektbewegungen, insbesondere durch Patientenbewegungen, die bewusste Patientenbewegungen und unbewusste Patientenbewegungen wie die Atembewegung umfassen, reduziert werden. Hervorzuheben ist, dass nach Durchführung des Trainings das neuronale Netz unter dem Gesichtspunkt des rechentechnischen Aufwands sehr kompakt und schnell ist, wobei mehrere Bilderzeugungsschritte in einem neuronalen Netz vereint beziehungsweise kombiniert und somit schneller abgearbeitet werden können. Zudem besteht bei dem trainierten neuronalen Netz im Vergleich zum eingangs genannten Stand der Technik eine größere Konfigurationsfreiheit für die Akquise der MR-Signale und damit der Erzeugung der Eingangsbilder, da das trainierte neuronale Netz nicht nur zur Erzeugung von Bildern mittels einer definierten Systemkonfiguration bei festen Akquiseparametern geeignet ist, sondern auch Szenarien verarbeiten kann, die nicht in identischer Weise trainiert worden sind. Das neuronale Netz kann demnach trainingsszenarioähnliche Aufgaben bewältigen. Obwohl in den oben aufgeführten Ausführungsformen die Eingangs- und Ausgangsbilder MR-Bilder sind, können das System zum Erzeugen von Bildern und die Trainingsvorrichtung auch angepasst sein, Bilder anderer Modalitäten zu erzeugen und neuronale Netze für andere Modalitäten zu trainieren. Diese anderen Modalitäten können beispielsweise sein: Positronen-Emissions-Tomographie (PET), Einzelphotonen- Emissions-Computertomographie (SPECT) oder Computertomographie (CT).

Fig. 5 zeigt beispielhaft zwei gleichzeitig angeregte Schichten 30, 31 eines Objekts, wobei sich in einer ersten Schicht 30 eine Gitterstruktur befindet und in einer zweiten Schicht 31 eine kreisförmige Struktur. Die MR-Signale dieser gleichzeitig angeregten Schichten 30, 31 werden von einer Empfangsspule empfangen, wonach diese MR- Signale verwendet werden, um ein Eingangsbild 32 zu erzeugen, das beispielhaft in der Fig. 6 gezeigt ist. Wie in der Fig. 6 zu sehen ist, sind die tatsächlich in den unterschiedlichen Schichten 30, 31 befindlichen getrennten Strukturen in dem Eingangsbild 32 überlagert. Fig. 7 zeigt eine andere Art der Überlagerung, in der die Schichten in der Bildebene des Eingangsbildes 33 zueinander verschoben worden sind, wobei die in den unterschiedlichen Schichten befindlichen Strukturen senkrecht zur Bildbeziehungsweise Blattebene immer noch überlagert sind. Um das Eingangsbild 33 zu erzeugen, kann die Phasenkodierung der gemeinsam angeregten Bereiche so moduliert werden, dass die Schichten in der Bildebene des Eingangsbildes 33 zueinander verschoben sind. Diese Phasenmodulation kann beispielsweise durch die Hochfrequenzanregung oder mittels Magnetfeldveränderungen durch Gradientenspulen bewirkt werden. Zur Erzeugung des Eingangsbildes 33 wurde die Phasenmodulation so durchgeführt, dass die Schicht 31 um die Hälfte des Bildbereichs entlang der Phasenkodierrichtung verschoben ist. Die Schicht 30 erfährt keine Phasenmodulation und befindet sich daher weiterhin in der Mitte des Bildbereichs. Für weitere Details dieser Phasenmodulation wird auf den Artikel„Controlled Aliasing in Parallel Imaging Results in Higher Acceleration (CAIPIRINHA) for Multi-Slice Imaging" von Breuer et al., Magnetic Resonance in Medicine, Band 53, Seiten 684 bis 691 (2005) verwiesen. Die Eingangsbilder 32 oder die Eingangsbilder 33 werden für die verschiedenen Kombinationen von Empfangsspulen und gleichzeitig angeregten Schichten erzeugt, wonach auf Basis dieser Eingangsbilder mit Hilfe des neuronalen Netzes Ausgangsbilder erzeugt werden. Entsprechende Ausgangsbilder 34, 35 sind beispielhaft in der Fig. 8 gezeigt. Wie in der Fig. 8 zu sehen ist, zeigt das Ausgangsbild 34 lediglich die kreisförmige Struktur und das Ausgangsbild 35 lediglich die Gitterstruktur, so dass in den Ausgangsbildem 34, 35 die in den unterschiedlichen Schichten befindlichen Strukturen auch tatsächlich getrennt voneinander dargestellt sind.

Obwohl in den oben beschriebenen Ausführungsformen bestimmte neuronale Netze beschrieben worden sind, können zum Erzeugen der Bilder auch andere neuronale Netze, insbesondere andere tiefe neuronale Netze, verwendet werden. So können beispielsweise neuronale Netze verwendet werden, die nicht-lineare Pooling-Schichten (engl,„pooling layers") aufweisen. In den Ansprüchen schließen die Wörter „aufweisen" und „umfassen" nicht andere Elemente oder Schritte aus und der unbestimmte Artikel„ein" schließt eine Mehrzahl nicht aus.

Eine einzelnes System, eine einzelne Einheit oder eine einzelne Vorrichtung kann die Funktionen mehrerer Elemente durchführen, die in den Ansprüchen aufgeführt sind. Die Tatsache, dass einzelne Funktionen und Elemente in unterschiedlichen abhängigen Ansprüchen aufgeführt sind, bedeutet nicht, dass nicht auch eine Kombination dieser Funktionen oder Elemente vorteilhaft verwendet werden könnte.

Vorgänge wie das Bereitstellen von Eingangsbildern, das Bereitstellen eines neuronalen Netzes, das Erzeugen von Bildern auf Basis der Eingangsbilder und des neuronalen Netzes, das Registrieren von Ausgangsbildern, das Bereitstellen von Trainings- Eingangsbildern, das Bereitstellen von Trainings-Ausgangsbildern, das Trainieren des neuronalen Netzes, et cetera, die von einer oder mehreren Einheiten oder Vorrichtungen durchgeführt werden, können auch von einer anderen Anzahl an Einheiten oder Vorrichtungen durchgeführt werden. Beispielsweise können das Bereitstellen des neuronalen Netzes, das Erzeugen von Bildern auf Basis der Eingangsbilder und des neuronalen Netzes und weitere Vorgänge von einer einzelnen Einheit oder von mehreren Einheiten durchgeführt werden. Diese Vorgänge und/oder die Steuerung des Systems zum Erzeugen von Bildern gemäß dem Verfahren zum Erzeugen von Bildern und/oder die Steuerung der Trainingsvorrichtung gemäß dem Trainingsverfahren können als Programmcode eines Computerprogramms und/oder als entsprechende Hardware implementiert sein.

Ein Computerprogramm kann auf einem geeigneten Medium gespeichert und/oder verteilt werden, wie beispielsweise einem optischen Speichermedium oder einem Festkörperspeichermedium, das zusammen mit oder als Teil anderer Hardware vertrieben wird. Das Computerprogramm kann aber auch in anderen Formen vertrieben werden, beispielsweise über das Internet oder andere Telekommunikationssysteme. Die Bezugszeichen in den Ansprüchen sind nicht derart zu verstehen, dass der Gegenstand und der Schutzbereich der Ansprüche durch diese Bezugszeichen eingeschränkt sind.